[论文解读] Survey and Taxonomy of Self-Aware and Self-Adaptive Autoscaling Systems in the Cloud.
本文对云计算中的自感知与自适应自动扩展系统进行了全面的综述与分类，分析了计算智能如何实现运行时的动态自适应。研究识别出在云自动扩展框架中性能建模、自适应性与系统可靠性方面存在的关键研究空白。
Autoscaling system can reconfigure cloud-based applications and services, through various cloud software configurations and hardware provisioning, to adapt to the changing environment at runtime. Such a behaviour offers the foundation to achieve elasticity in modern cloud computing paradigm. Given the importance of autoscaling in cloud, computational intelligence has been widely applied for engineering autoscaling system, leading to self-aware, self-adaptive and more dependable runtime scaling. In this paper, we present the brief background and history for autoscaling in the cloud, as well as their associations with self-awareness and self-adaptivity of a system. Subsequently, we conduct detailed survey and taxonomy of the key related work and identify the gaps in this area of research. Keywords-performance modeling, self-aware systems; selfadaptive systems; auto-scaling; cloud computing
研究动机与目标
- 为云计算中的自动扩展提供基础性概述，并阐述其向自感知与自适应能力演进的过程。
- 分析云计算环境中自动扩展、自感知系统与自适应系统之间的历史与技术关联。
- 识别当前自动扩展方法在性能建模与系统可靠性方面存在的关键研究空白。
- 基于系统的自感知与自适应特性，建立现有自动扩展系统的结构化分类体系。
- 通过突出计算智能在云自动扩展中尚未充分探索的应用领域，为未来研究提供指导。
提出的方法
- 对云计算中自感知与自适应自动扩展系统的重点文献进行详尽的文献调研。
- 根据系统在运行时自适应中应用计算智能技术的情况，对现有自动扩展系统进行分类。
- 分析支持云计算环境中自适应性的系统架构、控制机制与反馈回路。
- 根据自感知水平对系统进行分类，包括感知、推理与适应组件。
- 评估性能建模在实现准确且响应迅速的自动扩展决策中的作用。
- 将研究发现整合为一个结构化分类体系，以区分不同类型的自适应自动扩展系统。
实验结果
研究问题
- RQ1自感知与自适应能力在云自动扩展系统中随时间如何演变？
- RQ2支撑云自动扩展中自适应性的核心架构与算法组件有哪些？
- RQ3当前的自动扩展系统如何集成性能建模以支持动态资源分配？
- RQ4在设计与功能方面，自感知与自适应自动扩展系统之间存在哪些关键差异？
- RQ5在云环境中实现可靠、智能的自动扩展系统方面，仍存在哪些关键研究空白？
主要发现
- 当前大量自动扩展系统仍依赖启发式或基于规则的方法，而非先进的计算智能技术。
- 自动扩展中的自感知系统仍发展不足，感知、推理与适应层级的整合有限。
- 现有系统中性能建模常被过度简化或完全缺失，降低了其准确性和响应能力。
- 缺乏针对自适应自动扩展系统的标准化评估标准与基准测试框架。
- 该分类体系揭示了基于自适应机制与智能水平差异的自动扩展系统不同类别。
- 在实现完全自感知方面仍存在研究空白，特别是在实时决策与长期系统韧性方面。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。